<p>近期在使用影刀开发自动化流程，发现即便借助影刀的指令体系，深入掌握 Python 第三方库依然至关重要。这些库覆盖了数据处理、可视化、网络请求、自动化等几乎所有编程场景，因此我整理了这份新手入门级的 Python 常用库笔记，包含核心功能、安装方式和极简示例，助力快速上手。</p>
<h3>一、基础必备库</h3>
<h4>1. NumPy（数值计算基础）</h4>
<h5>核心功能</h5>
<ul>
<li>提供高性能的<strong>多维数组（ndarray）</strong> 数据结构，是科学计算的基础。</li>
<li>支持向量化运算、矩阵操作、线性代数、傅里叶变换等数值计算。</li>
<li>比 Python 原生列表快得多，是 Pandas、Matplotlib 等库的底层依赖。</li>
</ul>
<h5>安装</h5>
<pre><code class="lang-bash language-bash bash">pip install numpy</code></pre>
<h5>极简示例</h5>
<pre><code class="lang-python language-python python">import numpy as np

# 创建一维数组
arr1 = np.array([1, 2, 3, 4])
# 创建二维数组（矩阵）
arr2 = np.array([[1, 2], [3, 4]])

# 数组运算（向量化，无需循环）
print(arr1 * 2)  # 输出：[2 4 6 8]
print(arr2 + arr2)  # 输出：[[2 4], [6 8]]
# 矩阵乘法
print(arr2 @ arr2)  # 输出：[[7 10], [15 22]]</code></pre>
<h4>2. Pandas（数据处理与分析）</h4>
<h5>核心功能</h5>
<ul>
<li>提供 <strong>DataFrame（表格型数据结构）</strong> 和 Series（一维序列），完美适配表格数据（如 Excel/CSV）。</li>
<li>支持数据清洗（缺失值、重复值处理）、筛选、分组、合并、透视表等。</li>
<li>是数据分析、数据挖掘的核心工具，能轻松处理几十万甚至百万行数据。</li>
</ul>
<h5>安装</h5>
<pre><code class="lang-bash language-bash bash">pip install pandas</code></pre>
<h5>极简示例</h5>
<pre><code class="lang-python language-python python">import pandas as pd

# 创建DataFrame（模拟表格数据）
df = pd.DataFrame({
    &quot;姓名&quot;: [&quot;张三&quot;, &quot;李四&quot;, &quot;王五&quot;],
    &quot;年龄&quot;: [20, 25, 30],
    &quot;城市&quot;: [&quot;北京&quot;, &quot;上海&quot;, &quot;广州&quot;]
})

# 数据查看
print(df.head())  # 查看前n行（默认5行）
# 数据筛选：筛选年龄&gt;22的行
print(df[df[&quot;年龄&quot;] &gt; 22])
# 保存为CSV文件
df.to_csv(&quot;user_info.csv&quot;, index=False)
# 读取CSV文件
df_read = pd.read_csv(&quot;user_info.csv&quot;)</code></pre>
<h3>二、数据可视化库</h3>
<h4>1. Matplotlib（基础可视化库）</h4>
<h5>核心功能</h5>
<ul>
<li>Python 最基础的绘图库，支持绘制折线图、柱状图、散点图、直方图等几乎所有基础图表。</li>
<li>高度可定制（标题、坐标轴、颜色、样式等），是其他可视化库（如 Seaborn）的底层。</li>
</ul>
<h5>安装</h5>
<pre><code class="lang-bash language-bash bash">pip install matplotlib</code></pre>
<h5>极简示例</h5>
<pre><code class="lang-python language-python python">import matplotlib.pyplot as plt
import numpy as np

# 生成数据
x = np.linspace(0, 10, 100)  # 0到10之间生成100个均匀分布的数
y = np.sin(x)

# 绘制折线图
plt.plot(x, y, color=&quot;red&quot;, label=&quot;sin(x)&quot;)
plt.xlabel(&quot;X轴&quot;)  # X轴标签
plt.ylabel(&quot;Y轴&quot;)  # Y轴标签
plt.title(&quot;正弦函数曲线&quot;)  # 标题
plt.legend()  # 显示图例
plt.show()  # 展示图表</code></pre>
<h4>2. Seaborn（高级可视化库）</h4>
<h5>核心功能</h5>
<ul>
<li>基于 Matplotlib 封装，语法更简洁，默认样式更美观。</li>
<li>专注于统计可视化（如箱线图、热力图、小提琴图、配对图），适配 Pandas 的 DataFrame。</li>
</ul>
<h5>安装</h5>
<pre><code class="lang-bash language-bash bash">pip install seaborn</code></pre>
<h5>极简示例</h5>
<pre><code class="lang-python language-python python">import seaborn as sns
import pandas as pd

# 使用内置数据集
tips = sns.load_dataset(&quot;tips&quot;)  # 餐饮小费数据集

# 绘制柱状图（按性别分组，展示平均消费）
sns.barplot(x=&quot;sex&quot;, y=&quot;total_bill&quot;, data=tips)
# 绘制热力图（展示变量相关性）
sns.heatmap(tips.corr(numeric_only=True), annot=True, cmap=&quot;coolwarm&quot;)</code></pre>
<h3>三、网络请求与爬虫库</h3>
<h4>1. Requests（HTTP 请求库）</h4>
<h5>核心功能</h5>
<ul>
<li>替代 Python 原生的 urllib，语法极简，支持 GET/POST 请求、Cookie、Headers、代理等。</li>
<li>是爬虫、调用 API 接口的首选库。</li>
</ul>
<h5>安装</h5>
<pre><code class="lang-bash language-bash bash">pip install requests</code></pre>
<h5>极简示例</h5>
<pre><code class="lang-python language-python python">import requests

# GET请求（获取网页内容）
response = requests.get(&quot;https://www.baidu.com&quot;)
response.encoding = &quot;utf-8&quot;  # 设置编码
print(response.text[:100])  # 打印前100个字符

# POST请求（模拟表单提交）
data = {&quot;username&quot;: &quot;test&quot;, &quot;password&quot;: &quot;123456&quot;}
response = requests.post(&quot;https://httpbin.org/post&quot;, data=data)
print(response.json())  # 以JSON格式返回响应</code></pre>
<h4>2. BeautifulSoup4（网页解析库）</h4>
<h5>核心功能</h5>
<ul>
<li>解析 HTML/XML 页面，提取标签、属性、文本等内容，搭配 Requests 实现爬虫。</li>
<li>支持 CSS 选择器、正则表达式匹配，上手简单。</li>
</ul>
<h5>安装</h5>
<pre><code class="lang-bash language-bash bash">pip install beautifulsoup4</code></pre>
<h5>极简示例</h5>
<pre><code class="lang-python language-python python">import requests
from bs4 import BeautifulSoup

# 获取网页内容
response = requests.get(&quot;https://www.baidu.com&quot;)
soup = BeautifulSoup(response.text, &quot;html.parser&quot;)  # 解析HTML

# 提取指定标签（比如所有a标签的href属性）
a_tags = soup.find_all(&quot;a&quot;)  # 找到所有a标签
for tag in a_tags[:5]:  # 打印前5个
    print(tag.get(&quot;href&quot;), tag.text)</code></pre>
<h3>四、自动化与实用工具库</h3>
<h4>1. os &amp; sys（系统交互库，内置）</h4>
<h5>核心功能</h5>
<ul>
<li><code>os</code>：操作文件/目录（创建、删除、遍历、路径拼接）、执行系统命令。</li>
<li><code>sys</code>：获取系统参数（如命令行参数、Python 版本）、控制程序退出等。</li>
<li>无需安装，Python 原生内置。</li>
</ul>
<h5>极简示例</h5>
<pre><code class="lang-python language-python python">import os
import sys

# os库示例：遍历指定目录下的文件
print(os.listdir(&quot;.&quot;))  # 列出当前目录所有文件/文件夹
os.makedirs(&quot;test_dir&quot;, exist_ok=True)  # 创建目录（已存在则不报错）

# sys库示例：获取命令行参数
print(&quot;Python版本：&quot;, sys.version)
print(&quot;命令行参数：&quot;, sys.argv)  # 运行时传入的参数，如python test.py 123，则sys.argv=[test.py, 123]</code></pre>
<h4>2. datetime（时间处理库，内置）</h4>
<h5>核心功能</h5>
<ul>
<li>处理日期、时间的解析、格式化、加减运算，替代原生 time 库的复杂操作。</li>
<li>无需安装，Python 原生内置。</li>
</ul>
<h5>极简示例</h5>
<pre><code class="lang-python language-python python">from datetime import datetime, timedelta

# 获取当前时间
now = datetime.now()
print(now.strftime(&quot;%Y-%m-%d %H:%M:%S&quot;))  # 格式化输出：2026-03-11 10:00:00

# 时间加减（比如3天后）
after_3_days = now + timedelta(days=3)
print(after_3_days.strftime(&quot;%Y-%m-%d&quot;))

# 解析字符串为时间
time_str = &quot;2026-01-01&quot;
time_obj = datetime.strptime(time_str, &quot;%Y-%m-%d&quot;)
print(time_obj)</code></pre>
<h4>3. OpenPyXL（Excel 操作库）</h4>
<h5>核心功能</h5>
<ul>
<li>读写 Excel 文件（.xlsx 格式），支持单元格样式、公式、合并单元格等。</li>
<li>替代老旧的 xlrd/xlwt，功能更全面。</li>
</ul>
<h5>安装</h5>
<pre><code class="lang-bash language-bash bash">pip install openpyxl</code></pre>
<h5>极简示例</h5>
<pre><code class="lang-python language-python python">from openpyxl import Workbook, load_workbook

# 创建新Excel并写入数据
wb = Workbook()
ws = wb.active  # 获取活跃工作表
ws[&quot;A1&quot;] = &quot;姓名&quot;
ws[&quot;B1&quot;] = &quot;年龄&quot;
ws[&quot;A2&quot;] = &quot;张三&quot;
ws[&quot;B2&quot;] = 20
wb.save(&quot;test.xlsx&quot;)  # 保存文件

# 读取Excel数据
wb = load_workbook(&quot;test.xlsx&quot;)
ws = wb.active
print(ws[&quot;A2&quot;].value)  # 输出：张三
print(ws[&quot;B2&quot;].value)  # 输出：20</code></pre>
<h4>4. Playwright（现代自动化测试/爬虫库）</h4>
<h5>核心功能</h5>
<ul>
<li>由微软开发，支持<strong>无头浏览器</strong>自动化（Chrome、Firefox、Safari 全兼容）。</li>
<li>相比 Selenium 更轻量、速度更快，API 设计更简洁，内置等待机制（无需手动加 sleep）。</li>
<li>可用于网页自动化操作、动态渲染页面爬虫（如 JavaScript 加载的内容）、UI 自动化测试。</li>
<li>支持同步/异步两种调用方式，新手优先学同步版即可。</li>
</ul>
<h5>安装</h5>
<pre><code class="lang-bash language-bash bash"># 安装库
pip install playwright
# 安装浏览器驱动（首次使用必须执行，会下载Chrome/Firefox/Safari驱动）
playwright install</code></pre>
<h5>极简示例</h5>
<pre><code class="lang-python language-python python">from playwright.sync_api import sync_playwright

# 启动浏览器（headless=False 显示浏览器窗口，True 为无头模式）
with sync_playwright() as p:
    # 选择浏览器：chromium/firefox/webkit
    browser = p.chromium.launch(headless=False)
    # 新建页面
    page = browser.new_page()
    # 访问网页
    page.goto(&quot;https://www.baidu.com&quot;)

    # 1. 输入并搜索（定位输入框，输入内容）
    page.locator(&quot;#kw&quot;).fill(&quot;Python Playwright&quot;)
    # 点击搜索按钮
    page.locator(&quot;#su&quot;).click()

    # 2. 等待页面加载并提取数据（等待标题出现）
    page.wait_for_selector(&quot;h3&quot;)
    # 提取所有搜索结果标题
    titles = page.locator(&quot;h3&quot;).all_text_contents()
    print(&quot;前5个搜索结果：&quot;)
    for title in titles[:5]:
        print(title)

    # 关闭浏览器
    browser.close()</code></pre>
<h5>核心优势（对比传统爬虫/自动化工具）</h5>
<ol>
<li>能爬取<strong>动态渲染页面</strong>（如需要登录、滚动加载、JS 渲染的内容），解决 Requests 无法处理的场景。</li>
<li>内置<strong>自动等待</strong>：无需手动设置 time.sleep()，会等待元素加载完成后再操作，稳定性更高。</li>
<li>支持<strong>截图/录屏</strong>：<code>page.screenshot(path=&quot;baidu.png&quot;)</code> 可保存页面截图，便于调试。</li>
</ol>
<h3>五、其他常用库（快速了解）</h3>
<table>
<thead>
<tr>
<th>库名</th>
<th>核心用途</th>
<th>安装命令</th>
</tr>
</thead>
<tbody>
<tr>
<td>Scikit-learn</td>
<td>机器学习（分类、回归、聚类）</td>
<td><code>pip install scikit-learn</code></td>
</tr>
<tr>
<td>TensorFlow/PyTorch</td>
<td>深度学习（神经网络）</td>
<td><code>pip install tensorflow</code> / <code>pip install torch</code></td>
</tr>
<tr>
<td>Flask/Django</td>
<td>Web 开发（轻量/全栈框架）</td>
<td><code>pip install flask</code> / <code>pip install django</code></td>
</tr>
<tr>
<td>Pillow</td>
<td>图片处理（裁剪、滤镜、格式转换）</td>
<td><code>pip install pillow</code></td>
</tr>
<tr>
<td>PyAutoGUI</td>
<td>键鼠自动化（模拟点击、输入）</td>
<td><code>pip install pyautogui</code></td>
</tr>
</tbody>
</table>
<h4>总结</h4>
<ol>
<li><strong>基础核心库</strong>：NumPy 是数值计算基石，Pandas 是数据处理核心，二者是数据分析的必备组合。</li>
<li><strong>可视化库</strong>：Matplotlib 是基础，Seaborn 更适合统计可视化，优先掌握折线图、柱状图、热力图等常用图表。</li>
<li><strong>实用工具库</strong>：基础爬虫用 Requests+BeautifulSoup4 处理静态页面，Playwright 适配动态页面/网页自动化；os/datetime/OpenPyXL 覆盖日常文件、系统、时间和 Excel 操作场景。</li>
</ol>

Python 学习笔记：常用核心库简介